sd-wav2lip-uhq

在 Stable Diffusion WebUI 里一键生成高清唇形同步数字人视频

sd-wav2lip-uhq 是一个为 Automatic1111 Stable Diffusion WebUI 开发的扩展，旨在将 Wav2Lip 唇形同步模型升级到超高画质（UHQ）水平。它解决了传统 Wav2Lip 生成视频时面部模糊、细节丢失的问题，通过集成 GFPGAN 和 CodeFormer 等面部修复模型，在保持唇形同步准确性的同时，显著提升输出视频的面部清晰度和真实感。该扩展直接嵌入 WebUI 界面，用户无需复杂命令行操作，即可在熟悉的图像生成工作流中完成音频驱动的数字人视频制作。其核心能力包括：基于音频输入自动生成与语音匹配的唇形动画、多级画质增强管线、以及灵活的模型切换选项。项目主要面向数字人、视频配音、内容创作等场景，帮助创作者快速生成口型精准且画质逼真的虚拟人物视频。

开源 free 数字人3D

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1423

维护状态低维护

是否开源是

定价模式 free

项目数据

分类数字人3D

开发团队numz

所属国家

官网地址

GitHubhttps://github.com/numz/sd-wav2lip-uhq

定价模式free

价格说明开源项目，基于Apache-2.0许可证，可免费使用和修改，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型audio-driven-talking-face,deep-fake,deep-fakes,face-swapping,faceswap,image-animation,lip-sync,lipsync,meta-human-creator,stable-diffusion-web-ui,stable-diffusion-webui,stable-diffusion-webui-plugin,talking-face,talking-face-generation,talking-head,wav2lip

GitHub 星标★ 1423

30天Star增速

HF 下载量

上线时间2023-08-03 00:00:00

最近更新2026-09-02 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数8

使用教程

难度：进阶约 20 分钟部署方式：本地安装 7 步

环境要求

已安装并可正常启动的 Automatic1111 Stable Diffusion WebUI
Windows 用户需安装 Visual Studio，并在安装时勾选 Python 和 C++ 组件（Face Swap 功能需要）
准备好包含人脸的视频文件（avi 或 mp4）以及音频文件（或使用内置 bark 文本转语音）
预留足够磁盘空间下载 Wav2Lip、s3fd、Dlib 关键点、inswapper 等模型权重文件

安装与启动步骤

1启动 WebUI

先确认 Automatic1111 WebUI 能正常打开，扩展安装与 Wav2Lip UHQ 标签页都依赖它运行。
2安装 Visual Studio

仅 Windows 需要：安装 Visual Studio，务必勾选 Python 和 C++ 组件，否则 Face Swap 无法运行。
3从 URL 安装扩展

进入 WebUI 的 extensions（扩展）标签页，在 “Install from URL” 输入框粘贴本项目仓库地址，点击 Install，等待安装完成。
4应用并退出重启

切到扩展页的 “Installed” 标签，点击 “Apply and quit”，然后重新启动 Automatic1111 使扩展生效。
5下载模型权重

按 README 表格逐个下载 Wav2Lip、Wav2Lip+GAN、s3fd、Dlib 68 点关键点、inswapper_128.onnx，并放入表中所列的对应目录。
6按目录放置权重

Wav2Lip 两个权重放入 extensions/sd-wav2lip-uhq/scripts/wav2lip/checkpoints/，s3fd 放入 face_detection/detection/sfd/s3fd.pth，关键点模
7打开标签页生成

重启后在 WebUI 中找到 “Wav2Lip UHQ” 标签，选择带人脸的视频、音频或 bark 文本转语音，设置参数后开始生成；Face Swap 耗时较久需耐心等待。

关键配置

配置项	必填	说明	示例
`Wav2Lip checkpoint`	是	选择用于唇形同步的模型权重，可为 Wav2Lip 或 Wav2Lip+GAN	`Wav2Lip + GAN`
`Face Index`	否	参考图中存在多张人脸时，选择用于换脸的那一张	`0`
`Padding`	否	调整嘴部移动位置，默认值通常可用，嘴位不对时再调	`默认值`
`Resize Factor`	否	视频缩放系数，视频尺寸过大时可调小以提高速度	`1.0`
`Code Former Fidelity`	否	0 画质更高但可能改变面部并闪烁，1 画质较低但更稳定	`0.5`
`Temperature`	否	bark 文本转语音的随机性，0.7 是 bark 默认值	`0.7`

如何确认成功

重新启动 Automatic1111 后，在界面顶部标签中能看到 “Wav2Lip UHQ” 标签页，即表示扩展安装成功。

常见问题

Q：安装后看不到 Wav2Lip UHQ 标签页怎么办？

A：README 说明需要重启 Automatic1111；若仍看不到，请确认已在扩展的 Installed 标签点击 Apply and quit 后重新启动 WebUI。

Q：视频只有一帧没有检测到人脸会怎样？

A：README 指出只要视频中有一帧没有人脸，整个处理就会失败，所以请选用全程都能检测到人脸的视频。

Q：avi 文件在 Video input 里看不到怎么办？

A：README 说明 avi 文件不会出现在视频输入列表中，但处理依然可以正常工作，可直接填入或选用后再执行。

Q：bark 生成的音频太短怎么加长？

A：bark 单次只能生成约 14 秒音频，长文本需用 [split] 分段，例如 “第一部分 [split] 第二部分” 来生成更长语音。

Q：换脸或修复后面部闪动、变化较大怎么办？

A：可调整 Code Former Fidelity：0 画质更高但可能改变面部并造成帧间闪烁，1 画质较低但更稳定；Mask Blur 建议不超过 Mouth Mask Dilate。

注意事项

模型权重必须放对目录，README 特别提醒注意文件名，尤其是 s3fd。
显存小于 16GB 的显卡在使用 bark 时应勾选 Low VRAM（默认已启用）。
Face Swap 处理耗时较长，需要耐心等待，不要中途关闭界面。
输入视频需为人脸清晰的 avi 或 mp4 文件，否则处理会失败。

核心亮点

直接集成 Automatic1111 WebUI，无需单独部署环境，上手门槛低
内置 GFPGAN/CodeFormer 多级修复，显著提升唇部区域清晰度，避免传统 Wav2Lip 的模糊感
支持自定义模型权重和参数，可灵活适配不同人脸和视频场景

不足之处

依赖 Automatic1111 WebUI，无法独立运行，使用范围受限
高分辨率处理时对显存和计算资源要求较高，低配设备可能卡顿

适用场景

数字人视频制作：为虚拟主播或角色生成与语音同步的逼真口型
视频配音/翻译：替换原视频人物口型以匹配新语言配音
内容创作：快速生成教学、娱乐等视频中的说话人物动画

替代项目

Wav2Lip、SadTalker、VideoRetalking

项目介绍

sd-wav2lip-uhq 是视频领域的开源项目，由 numz 开发，2023 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,423）位列前 30%，在视频分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-02。基于Apache-2.0许可证，可免费使用和修改，无付费版本。

它主要面向的使用场景是：数字人视频制作：为虚拟主播或角色生成与语音同步的逼真口型。同类可对比的替代方案包括 Wav2Lip、SadTalker、VideoRetalking。

上一篇：lipsync

下一篇：NarratoAI